BNN-DP: Robustness Certification of Bayesian Neural Networks via Dynamic Programming
Technical University of Delft（代尔夫特理工大学）；Trinity College Dublin（都柏林圣三一学院）；University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出BNN-DP框架，通过动态规划高效计算贝叶斯神经网络的预测边界，实现对抗鲁棒性认证，在紧致性和效率上优于现有方法达四个数量级。
2023-06-19 cs.LG stat.ML
Strengthening the Case for a Bayesian Approach to Car-following Model Calibration and Validation using Probabilistic Programming
计算和存储器的限制历来阻碍交通模拟软件用户充分利用其基础的预测模型。特别地，当校准车辆跟随模型时，调节包括1）使用敏感性分析来限制要校准的参数的数量，以及2）使用从跨多个驾驶员的多个车辆跟随实例收集的数据来仅识别一组参数值。快捷方式还受到数据集大小不足的激励，对于这些数据集大小，驾驶员可能具有太少的实例以完全考虑其驾驶行为的变化。在本文中，我们证明了最新的技术进步可以使交通研究人员和工程师克服这些限制，并产生校准结果，1）优于行业标准方法，2）允许为数据集中的每个驱动程序估计一组独特的参数，即使给定少量的数据。我们提出了一种新的校准过程的基础上贝叶斯机器学习和概率规划的汽车跟驰模型，并将其应用到现实世界的数据从自然驾驶研究。我们还讨论了数学和软件工具的这种组合如何提供额外的好处，如更多的信息模型验证和将真实数据的不确定性纳入模拟轨迹。
2019-08-07 cs.LG stat.ML
ProBO: Versatile Bayesian Optimization Using Any Probabilistic Programming Language
CMU（卡内基梅隆大学）
优化查询开销函数是科学和工程中的常见任务，其中将查询数量保持在最小是有益的。一种流行的策略是贝叶斯优化（BO），它利用概率模型来执行此任务。目前，大多数BO使用高斯过程（GP）或其他一些代理模型。但是，有一组广泛的贝叶斯建模技术可用于捕获复杂系统并减少BO中的查询数量。概率程序设计语言（Probability Programming Language，PPL）是一种现代工具，它允许灵活的模型定义、先验规范、模型组合和自动推理。在本文中，我们开发的ProBO，BO程序，只使用标准的操作常见的大多数PPL。这允许用户插入用任意PPL构建的模型，并直接在BO中使用它。我们描述收购功能ProBO，并有效地优化这些功能的复杂模型或昂贵的推理程序的策略。使用现有的PPL，我们实现了新的模型，以帮助在一些具有挑战性的优化设置，并证明这些模型超参数和架构搜索任务。
2019-07-04 cs.AI cs.LG stat.ML
A Bayesian Approach to Sparse plus Low rank Network Identification
研究了用稀疏动态贝叶斯网络模型对多元时间序列进行建模的问题。这种结构转化为稀疏加低秩模型。在本文中，我们提出了一个高斯回归方法来识别这样的模型。
2015-09-26 math.OC stat.ML
BLADE: Bayesian Langevin Active Discovery with Replica Exchange for Identification of Complex Systems
Purdue University（普渡大学）；Department of Mathematics, Purdue University（普渡大学数学系）；School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
BLADE是一种结合副本交换随机梯度拉格朗日蒙特卡洛与主动学习的贝叶斯框架，通过平衡梯度驱动的探索与利用，在系数空间中提供概率参数估计和原则性不确定性量化，显著提升数据效率。
2026-04-12 cs.LG stat.ML
System identification using Bayesian neural networks with nonparametric noise models
系统辨识在科学和工程中具有特殊的意义。本文研究随机动态系统中的系统辨识问题，其目的是估计系统的参数及其未知噪声过程。特别是，我们提出了一个贝叶斯非参数方法的系统识别离散时间非线性随机动力系统假设只有马尔可夫过程的顺序是已知的。该方法取代了高斯分布的误差分量的假设与一个高度灵活的家庭的概率密度函数的基础上贝叶斯非参数先验。此外，利用贝叶斯神经网络估计系统的函数形式，这也导致灵活的不确定性量化。在隐层神经元个数上，该模型渐近收敛于完全非参数贝叶斯回归模型。提出了一种用于后验推理的Gibbs采样器，并在模拟和真实时间序列上说明了其有效性。
2022-01-25 stat.ME stat.ML
Online Bayesian system identification in multivariate autoregressive models via message passing
Eindhoven Artificial Intelligence Systems Institute（埃因霍温人工智能系统研究所）；Department of Electrical Engineering, Eindhoven University of Technology（电子工程系，埃因霍温理工大学）
本文提出基于因子图消息传递的多元自回归模型递归贝叶斯辨识方法，可同时估计自回归系数与噪声精度的完整后验分布，并支持在线模型证据计算，在合成与机械系统上验证了收敛性和竞争力。
2025-06-03 cs.LG eess.SP stat.ML
Robust Bayesian Subspace Identification for Small Data Sets
从传统的子空间识别方法获得的模型估计可能会受到显着的方差。在大型模型或样本量有限的情况下，这种升高的方差会加剧。减少方差影响的常见解决方案是正则化估计，收缩估计和贝叶斯估计。在目前的工作中，我们调查后两种解决方案，尚未被应用于子空间识别。我们的实验结果表明，我们提出的估计可以减少估计风险的传统子空间方法的$40\%$。
2022-12-29 cs.SY eess.SY stat.ML
Outlier robust system identification: a Bayesian kernel-based approach
本文提出了一种基于正则核的线性系统辨识方法。未知脉冲响应被建模为零均值高斯过程，其协方差（核）由最近提出的稳定样条核给出，该样条核编码关于正则性和指数稳定性的信息。为了建立对离群值的鲁棒性，我们将测量噪声建模为独立拉普拉斯随机变量的实现。将辨识问题置于贝叶斯框架下，并采用一种新的马尔可夫链蒙特卡罗（MCMC）方法求解。特别是，利用拉普拉斯随机变量的高斯尺度混合物的表示，我们设计了一个吉布斯采样器，快速收敛到目标分布。数值模拟表明，在国家的最先进的基于核的方法的估计的准确性有很大的改善。
2013-12-24 stat.ML
On-line Bayesian System Identification
University of Padova（帕多瓦大学）
本文提出一种在线贝叶斯系统辨识方法，通过边际似然最大化更新超参数，仅需一次迭代优化算法，实验验证其有效性。
2016-01-17 cs.LG cs.SY eess.SY
PClean: Bayesian Data Cleaning at Scale with Domain-Specific Probabilistic Programming
Massachusetts Institute of Technology（麻省理工学院）
数据清理自然被定义为地面真实数据和可能错误的生成模型中的概率推理，但现实世界错误模式的多样性和推理的困难使得贝叶斯方法难以自动化。我们提出了PClean，概率程序设计语言（PPL），利用特定的知识贝叶斯自动清洗。与通用PPL相比，PClean解决了一个受限制的问题域，实现了三个建模和推理创新：（1）用户程序定制的关系数据库实例的非参数模型;（2）利用PClean模型类结构的新型顺序Monte Carlo推理算法;以及（3）编译器，其基于用户的模型和数据生成接近最优的SMC建议和阻塞吉布斯复原内核。我们的经验表明，短（< 50行）PClean程序可以：在数据清理基准上比通用PPL推理更快，更准确;在准确性和运行时间方面与最先进的数据清理系统相匹配（与同一运行时间中的通用PPL推理不同）;并扩展到具有数百万条记录的真实数据集。
2022-11-19 cs.AI cs.LG stat.CO
BINDy -- Bayesian identification of nonlinear dynamics with reversible-jump Markov-chain Monte-Carlo
Dynamics Research Group University of Sheffield（动力学研究组谢菲尔德大学）
针对非线性动力学稀疏识别易过拟合的问题，提出基于可逆跳跃马尔可夫链蒙特卡洛的贝叶斯方法BINDy，通过联合后验分布推断在模型空间生成稀疏模型，在基准案例中表现优于ensemble SINDy。
2025-06-25 cs.LG math.DS stat.ML
Functional probabilistic programming for scalable Bayesian modelling
贝叶斯推断涉及统计学家或从业者对统计模型的规范，并仔细考虑每个参数代表什么。这导致特别可解释的模型，可用于解释观测数据中存在的关系。贝叶斯模型在实验只有少量观测时以及数据驱动决策的透明度很重要的应用中很有用。传统上，贝叶斯统计中的参数推断涉及为每个新提出的统计模型构建定制的MCMC（马尔可夫链蒙特卡罗）方案。这导致不考虑合理的模型，因为有效的推理方案的开发或实现具有挑战性。概率编程的目的是通过开发一种与参数推理算法解耦的用于模型规范的领域特定语言（DSL）来减少执行贝叶斯推断的障碍。本文介绍了函数式编程原理，可用于开发嵌入式概率编程语言。可以使用任何通用推理算法来执行模型推理。在本文中使用哈密顿蒙特卡罗（HMC），一个有效的MCMC方法，需要的非归一化对数后验的梯度，使用自动微分计算。这些概念使用Scala编程语言进行说明。
2019-08-06 stat.CO
Bayesian Subspace Identification in the MIMO Case
FEDERAL UNIVERSITY OF MINAS GERAIS（米纳斯吉拉斯联邦大学）
本文提出了一种适用于多输入多输出系统的贝叶斯子空间识别方法，并通过实验验证其有效性。
2025-12-30 cs.SY eess.SY stat.AP
On Identification of Sparse Multivariable ARX Model: A Sparse Bayesian Learning Approach
University of Cambridge（剑桥大学）；Huazhong University of Science and Technology（华中科技大学）；Cardwell Investment Tech（卡德韦尔投资科技公司）；UC Berkeley（加州大学伯克利分校）
本文提出一种基于稀疏贝叶斯学习的方法，用于识别稀疏多变量ARX模型的布尔结构和节点间动态，无需先验知识，通过最大后验估计结合复杂性和组稀疏性惩罚。
2016-09-30 cs.LG cs.SY eess.SY
Stochastic processes and feedback-linearisation for online identification and Bayesian adaptive control of fully-actuated mechanical systems
Oxford University（牛津大学）
本文提出了一种新的方法，结合概率识别与控制，利用随机过程先验条件和拉格朗日力学结构知识，通过反馈线性化实现对完全驱动机械系统的灵活非参数贝叶斯学习。
2014-04-01 cs.LG cs.SY eess.SY
Bayesian Parameter Identification for Jump Markov Linear Systems
本文提出了一种跳变马尔可夫线性系统参数辨识的贝叶斯方法。一个主要的动机是提供准确的量化参数的不确定性，而不依赖于渐近的数据长度参数。为了实现这一点，本文详细介绍了粒子吉布斯抽样方法，提供所需的后验分布的样本。这些样本是通过利用修改后的离散粒子滤波器和精心选择的共轭先验。
2021-02-10 cs.SY eess.SY stat.AP
Bayesian kernel-based system identification with quantized output data
KTH Royal Institute of Technology（皇家理工学院）；University of Padova（帕多瓦大学）
本文提出一种新的线性系统辨识方法，利用稳定样条核作为高斯过程的协方差函数，通过马尔可夫链蒙特卡洛方法估计系统参数，显著提升了量化数据下的辨识精度。
2015-04-26 cs.SY eess.SY stat.ML
Subgroup Identification and Interpretation with Bayesian Nonparametric Models in Health Care Claims Data
住院护理在医疗保健总支出中占很大比例，因此分析住院患者利用模式是了解医疗保健支出增长驱动因素的重要组成部分。住院利用措施的共同特点包括零通货膨胀，过度分散，偏态，所有这些复杂的统计建模。混合建模是一种流行的方法，可以适应这些功能的医疗保健利用数据。在这项工作中，我们添加了一个非参数聚类组件，这样的模型。我们的完全贝叶斯模型框架允许未知数量的混合组分，因此数据确定混合组分的数量。当我们将建模框架应用于肺癌患者住院时间的数据时，我们发现不同的患者亚组在住院天数、健康和治疗协变量以及协变量与住院时间之间的关系的均值和方差方面存在差异。
2017-11-20 stat.ML
Fault Detection and Identification using Bayesian Recurrent Neural Networks
Massachusetts Institute of Technology（麻省理工学院）；ExxonMobil Research and Engineering（埃克森美孚研究与工程公司）
在加工和制造业中，一直在大力推动生产更高质量的产品，并确保流程的最大效率。这就需要采取有效的方法来检测和解决干扰，以确保最佳运行。虽然控制系统可以补偿许多类型的干扰，但仍然不能充分处理过程的变化。因此，重要的是进一步开发监测系统，以有效地检测和识别这些故障，从而使操作员能够快速解决这些故障。本文提出了一种新的概率故障检测和识别方法，该方法采用了新开发的深度学习方法，使用具有变差丢弃的贝叶斯循环神经网络（BRNN）。BRNN模型是通用的，可以模拟复杂的非线性动力学。此外，与传统的基于神经网络的数据驱动的故障检测和识别方法相比，所提出的基于BRNN的方法产生的不确定性估计，允许同时故障检测的化学过程，直接故障识别，故障传播分析。在Tennessee Eastman过程TEP和一个实际化工生产数据集上，与工业上广泛应用的动态主成分分析进行了对比，并验证了该方法的优越性。
2020-06-26 cs.LG cs.SY eess.SY
Exact Bayesian Inference on Discrete Models via Probability Generating Functions: A Probabilistic Programming Approach
University of Oxford（牛津大学）；Nanyang Technological University（南洋理工大学）
本研究提出一种基于概率生成函数的离散模型精确贝叶斯推断方法，构建支持多种采样与条件操作的概率编程语言，开发全自动化工具Genfer，其速度优于现有精确推断工具，且在复杂问题上性能媲美近似蒙特卡洛方法且无近似误差。
2023-11-07 cs.LG cs.PL stat.CO
ZhuSuan: A Library for Bayesian Deep Learning
Tsinghua University（清华大学）；University of Toronto（多伦多大学）
在本文中，我们介绍了用于贝叶斯深度学习的Python概率编程库ZhuSuan，它结合了贝叶斯方法和深度学习的互补优势。ZhuSuan基于Tensorflow构建。与现有的深度学习库主要针对确定性神经网络和监督任务而设计不同，ZhuSuan的特点是它深深植根于贝叶斯推断，从而支持各种概率模型，包括传统的分层贝叶斯模型和最近的深度生成模型。我们使用运行的例子来说明竹算上的概率规划，包括贝叶斯逻辑斯谛回归，变分自动编码器，深度sigmoid信念网络和贝叶斯递归神经网络。
2017-09-18 cs.AI cs.LG cs.NE
Canonical Bayesian Linear System Identification
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）；Basis Research Institute（Basis研究机构）；Eric and Wendy Schmidt Center（埃里克和温迪·施密特中心）；BCAM (Basque Center for Applied Mathematics)（BCAM（巴斯克应用数学中心））；Ikerbasque (Basque Foundation for Science)（Ikerbasque（巴斯克科学基金会））
针对LTI系统贝叶斯辨识中的参数不可辨识与多模态后验问题，提出将规范形式嵌入贝叶斯框架，实现可辨识推断、结构先验与渐近理论保证，并通过MCMC实验验证其效率和不确定性估计优势。
2025-08-28 cs.LG cs.SY eess.SY
State estimations and noise identifications with intermittent corrupted observations via Bayesian variational inference
School of Mathematical Sciences, Beihang University（北京航空航天大学数学科学学院）；Key Laboratory of Mathematics, Informatics and Behavioral Semantics (LMIB), Beihang University（北京航空航天大学数学、信息与行为语义重点实验室（LMIB））
本文提出了一种基于贝叶斯变分推断的变分贝叶斯自适应卡尔曼滤波方法，用于解决分布式传感器网络中间歇性数据丢失、观测损坏和未知噪声协方差的问题，通过双掩码生成模型提升状态估计和参数识别的准确性。
2026-04-03 cs.LG math.OC stat.CO
Exploring Bayesian approaches to eQTL mapping through probabilistic programming
影响基因表达的基因组多态性（也称为表达数量性状基因座或eQTL）的发现可以被公式化为稀疏贝叶斯多变量/多元回归问题。在这种模型的发展的一个重要方面是定制的推理方法，一个过程，可以成为相当费力，当多个候选模型正在考虑的实施。我们使用Stan（一种流行的概率编程语言）描述了此类模型中的自动黑盒推理。利用Stan这样的系统可以促进模型原型设计和测试，从而加快数据建模过程。本章中描述的代码可以在https://github.com/dvav/eQTLBookChapter上找到。
2019-06-12 q-bio.GN q-bio.QM stat.AP
A Bayesian partial identification approach to inferring the prevalence of accounting misconduct
本文介绍了使用灵活的贝叶斯回归模型估计部分确定的概率函数。我们的方法允许有效的敏感性分析关于先验对回归模型的部分确定的组成部分的后验影响。新的方法说明了一个重要的问题，只有部分观察到的数据是可用的-推断的普遍存在的会计不当行为之间的公开交易的美国企业。
2015-03-06 stat.ME
Identification of stable models via nonparametric prediction error methods
最近的一系列论文提出了一种新的线性系统辨识贝叶斯方法。其主要思想是框架的线性系统识别的预测估计在无限维空间中，正则化/贝叶斯技术的帮助下。这种方法保证了基于预测误差最小化的稳定预测器的识别。不幸的是，预测器的稳定性并不保证系统的脉冲响应的稳定性。在本文中，我们提出并比较了各种技术来解决这个问题。比较这些技术的模拟结果将被提供。
2015-07-02 stat.ML
Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution
Harvey et al.（2010）将Sahu et al.（2003）的贝叶斯估计方法扩展到具有一般偏度矩阵的多元偏椭圆分布，并将其应用于具有更高矩的贝叶斯投资组合优化。虽然他们的方法是划时代的，因为它可以处理资产收益之间的偏度依赖关系，并将更高的时刻到投资组合优化，它不能识别偏度矩阵中的所有元素，由于吉布斯采样器中的标签切换。为了处理这个识别问题，我们建议修改他们的采样算法，通过对多元斜椭圆分布的偏度矩阵施加正下三角约束和改进的可解释性。此外，我们提出了一个贝叶斯稀疏估计的偏度矩阵与马蹄之前，以进一步提高精度。在仿真研究中，我们证明了所提出的方法与识别约束可以成功地估计的真实结构的偏度依赖，而现有的方法遭受的识别问题。
2021-08-09 q-fin.PM stat.CO stat.ME
Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data
提出一种基于贝叶斯框架的快速概率方法 Bayesian-SINDy，通过高斯近似加速计算，在稀缺和含噪声数据下高效识别非线性动力学微分方程并量化不确定性，为生物数据分析和实时控制中的主动学习奠定基础。
2024-09-23 nlin.CD stat.ME stat.ML
Bayesian identification of protein differential expression in multi-group isobaric labelled mass spectrometry data
在本文中，我们开发了贝叶斯统计推断的方法，在多个实验的同量异位素标记的MS/MS蛋白质组数据的统一分析。开发了跨多个预定义组和实验的同量异位素标记的报告离子的对数强度的显式概率模型。然后，这被用来开发一个完整的贝叶斯统计方法学的差异表达的蛋白质的鉴定，相对于对照组，在多个组和实验。该方法被实施，然后在模拟数据和使用TMT标记协议的两个模型实验数据集（其中差异表达的蛋白质是已知的）上进行评估。
2014-07-24 q-bio.QM stat.AP
Bayesian System Identification based on Hierarchical Sparse Bayesian Learning and Gibbs Sampling with Application to Structural Damage Assessment
本文的重点是贝叶斯系统识别噪声不完整的模态数据的基础上，我们可以在更新结构模型时施加空间稀疏刚度的变化。为此，基于我们以前的工作类似的层次稀疏贝叶斯学习模型，我们提出了两个吉布斯抽样算法。这两种算法处理方程误差精度参数后验不确定性的策略不同，但都是从结构刚度参数和系统模态参数的条件后验概率密度函数（PDF）中采样。吉布斯抽样的有效维数较低，因为迭代采样仅从对应于三个参数组的三个条件后验PDF中完成，同时从其中一个算法中的另一个条件后验PDF中对方程误差精度参数进行采样，其中方程误差精度参数未被整合为“滋扰”参数。从计算的角度来看，一个很好的特点是，它是没有必要解决一个结构模型的非线性特征值问题。所提出的算法的有效性和鲁棒性说明将它们应用到IASE ASCE第二阶段的模拟和实验基准研究。我们的目标是使用不完整的模态数据识别之前和之后可能的损害，以检测和评估空间稀疏的刚度降低引起的任何损害。我们过去和现在的重点是满足所产生的挑战，从贝叶斯推断的结构刚度服务，以加强基于振动的结构系统识别的能力，但我们的方法也有更广泛的适用性，在科学和技术的逆问题，系统矩阵是从噪声的部分信息推断其特征量。
2017-01-13 stat.AP stat.ME stat.ML
Practical Hilbert space approximate Bayesian Gaussian processes for probabilistic programming
高斯过程是随机函数的强有力的非参数概率模型。然而，直接实现带来了计算上难以处理的复杂性，当观测的数量很大时，特别是当用诸如马尔可夫链蒙特卡罗的完全贝叶斯方法估计时。本文主要研究了一种低秩近似贝叶斯高斯过程，该过程基于对平稳协方差函数的Laplace特征函数的基函数近似。本文的主要贡献是详细的性能分析，并为如何选择基函数的数量和边界因子的实用建议。直观的可视化和建议，使用户更容易提高近似精度和计算性能。我们还提出了诊断检查的基础函数和边界因子的数量是足够的数据。该方法是简单的，表现出一个有吸引力的计算复杂性，由于其线性结构，它是很容易实现的概率规划框架。几个说明性的例子，在概率编程语言斯坦的方法的性能和适用性的基础斯坦模型代码一起。
2022-03-22 stat.CO stat.ME
Bayesian identification of nonseparable Hamiltonians with multiplicative noise using deep learning and reduced-order modeling
University of Michigan（密歇根大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文提出一种保持结构不变的贝叶斯方法，用于辨识含乘性噪声的不可分离哈密顿系统，通过高斯滤波和降阶建模实现高效高维参数估计，显著提升预测精度。
2024-07-20 cs.LG math.DS physics.data-an
Bounds for Bayesian order identification with application to mixtures
研究了两种贝叶斯序估计的有效性。通过使用非参数技术，我们证明了新的低估和高估的界限。结果适用于各种模型，包括混合模型。在这种情况下，误差分别显示为$O(e^{-an})$和$O((\log n)^b/\sqrt{n})$（$a,b>0$）。
2008-04-04 math.ST stat.TH
Bayesian Error-in-Variables Models for the Identification of Power Networks
间歇性可再生能源发电的日益一体化，特别是在配电水平，需要先进的规划和优化方法，取决于电网的知识，特别是导纳矩阵捕获的拓扑结构和线路参数的electricnetwork。然而，一个可靠的估计导纳矩阵可能会丢失或迅速成为过时的时间变化的网格。在这项工作中，我们提出了一个数据驱动的identificationmethod利用从微型PMU收集的电压和电流测量。更确切地说，我们首先提出了一个最大似然方法，然后转向贝叶斯框架，利用最大后验估计的原则。与大多数现有的contributions相比，我们的方法不仅在电压和电流数据的测量噪声的因素，但也能够利用现有的先验信息，如稀疏模式和knownline参数。在基准案例上进行的仿真表明，与其他算法相比，我们的方法可以实现更高的精度。
2021-12-19 cs.SY eess.SY stat.ML
Integrated Pre-Processing for Bayesian Nonlinear System Identification with Gaussian Processes
提出GP-FNARX模型，通过集成数据预处理与稀疏高斯过程回归，实现从原始数据到辨识模型的自动化流程，并利用边际似然最大化同时优化预处理参数和超参数，获得能报告不确定性的贝叶斯动力学模型。
2013-09-17 cs.AI cs.RO cs.SY
Bayesian additive regression trees for probabilistic programming
本文将BART作为概率编程中的可组合原语，介绍通过扩展PyMC实现的Python库PyMC-BART，并给出建模示例、超参数建议及局限与未来方向。
2023-08-15 stat.CO
Error analysis in Bayesian identification of non-linear state-space models
在过去的二十年中，基于序贯蒙特卡罗（SMC）和马尔可夫链蒙特卡罗（MCMC）的随机非线性状态空间模型（SSM）的贝叶斯辨识方法已经被提出。众所周知，这些基于仿真的识别方法的性能取决于其设计中使用的数值近似。我们建议使用后验Cramér-Rao下界（PCRLB）作为均方误差（MSE）界。使用PCRLB，一个系统的程序来分析贝叶斯识别方法提供的估计偏差，MSE和效率。所提出的方法的有效性和实用性说明通过一个数值例子。
2013-07-23 stat.AP stat.CO stat.ME
Bayesian Estimation of Attribute and Identification Disclosure Risks in Synthetic Data
对数据保密的合成数据方法进行了积极研究，在过去十年左右的时间里，发表了大量关于开发创新合成器、制定适当的效用措施和风险措施等方面的高质量工作。相对于大量的工作合成器的开发和实用措施的创建，测量风险得到了整体较少的关注。本文重点介绍了一些贝叶斯方法的详细结构，提出了估计披露风险的合成数据。在介绍属性和识别信息披露风险评估方法的过程中，重点介绍了关键步骤，强调了贝叶斯思想，并结合实际应用实例进行了说明，同时讨论了面临的挑战和未来的研究方向。我们希望给读者一个全面的贝叶斯估计程序，使合成数据的研究人员和生产者使用这些程序来评估披露风险，并鼓励更多的研究人员在这个重要的增长领域的工作。
2021-05-07 stat.ME
COBRA-PPM: A Causal Bayesian Reasoning Architecture Using Probabilistic Programming for Robot Manipulation Under Uncertainty
Oxford Robotics Institute, Dept. Engineering Science, University of Oxford, UK（牛津大学机器人研究所）；Microsoft Research, Redmond, WA, USA（微软研究院）；Bristol Robotics Laboratory, School of Engineering, University of the West of England, Bristol, UK（布里斯托尔机器人实验室）
本文提出 COBRA-PPM 因果贝叶斯推理架构，融合因果贝叶斯网络与概率编程进行干预推理，在积木堆叠及家用机器人 sim2real 中实现高预测与任务成功率。
2025-08-29 cs.AI cs.LG cs.RO
Bayesian system identification for structures considering spatial and temporal correlation
本文提出考虑模型预测误差空间与时间相关性的结构贝叶斯系统辨识方法，通过高效对数似然计算和嵌套采样实现模型选择，并在合成案例与真实钢桥上验证其有效性。
2023-08-18 stat.ME
Uncertainty-Aware Sparse Identification of Dynamical Systems via Bayesian Model Averaging
The University of Tokyo（东京大学）；NTT Research, Inc.（NTT研究所）；University of Michigan（密歇根大学）
本文提出一种贝叶斯稀疏识别框架，用于动态系统耦合组件的建模，通过结合稀疏建模与贝叶斯模型平均，量化每个候选交互和基函数的可信度，验证了在有限数据或动态不可辨识情况下，有效识别稀疏交互结构及高阶谐波组件的能力。
2026-04-12 stat.AP stat.ML
Bayesian Parameter Identification in the Landau-de Gennes Theory for Nematic Liquid Crystals
本文针对向列液晶 Landau-de Gennes 模型提出一种贝叶斯参数辨识方法，利用模拟数据评估了马尔可夫链蒙特卡洛近似精度、置信区间与可辨识性极限。
2025-04-22 cond-mat.soft cs.NA math.NA
Declarative Modeling and Bayesian Inference of Dark Matter Halos
概率编程允许以声明的方式指定概率模型。最近，几个新的软件系统和语言的概率编程已经开发的基础上，新开发的和改进的概率模型的近似推理方法。在这方面的贡献的概率模型的理想化的暗物质定位问题。我们首先推导出推断暗物质位置和质量的概率模型，然后展示如何使用BUGS和Infer.NET（两个概率编程软件系统）实现此模型。最后，两个系统的不同功能进行了讨论。目前的暗物质模型主要包含非共轭因子，因此，用Infer.NET实现该模型比较困难。
2013-06-02 astro-ph.IM stat.ML
Probabilistic Programming with Sufficient Statistics for faster Bayesian Computation
本文提出在Stan概率编程中利用充分统计量改写似然函数，显著加速非共轭先验下高斯线性回归、分层随机效应及因子分析等模型的贝叶斯推断，并证明部分可改写模型也能获得计算增益。
2025-02-07 stat.CO
Bayesian non-parametric non-negative matrix factorization for pattern identification in environmental mixtures
环境健康研究人员可能会致力于确定代表来源的暴露模式，产品使用，或行为，引起潜在有害的环境化学品暴露的混合物。我们提出了贝叶斯非参数非负矩阵分解（BN ^2 MF）作为一种新的方法来识别模式的化学品暴露时，模式的数量是未知的先验。我们将非负连续先验放置在模式负载和个体分数上以增强可解释性，并使用聪明的非参数稀疏先验来估计模式数。我们进一步推导出估计值周围的变分置信区间;这是一个关键的发展，因为它量化了模型对估计模式的置信度。这些独特的功能与现有的模式识别方法在这一领域中所采用的是有限的用户指定的模式数，缺乏解释性的模式在人类的理解，以及缺乏不确定性量化。
2021-09-24 stat.AP stat.ME stat.ML
MCMC with Adaptive Principal-Component Transformation: Rotation-Invariant Universal Samplers for Bayesian Structural System Identification
Harbin Institute of Technology（哈尔滨工业大学）；California Institute of Technology（加州理工学院）
本文提出APM-SGHMC算法，通过自适应旋转坐标轴对齐当前后验样本的主成分方向，实现旋转不变的采样性能，提升贝叶斯结构系统识别的通用性和效率。
2026-04-25 stat.AP stat.ME stat.ML
A Bayesian Semiparametric Factor Analysis Model for Subtype Identification
疾病亚型识别（聚类）是生物医学研究中的一个重要问题。基因表达谱通常用于推断疾病亚型，这通常导致对疾病的生物学意义的见解。尽管有许多成功的，现有的聚类方法可能无法很好地执行时，基因是高度相关的，许多无信息的基因，包括聚类由于高维。在这篇文章中，我们介绍了一种新的亚型识别方法在贝叶斯设置的基础上基因表达谱。这种方法，称为BCSub，采用了创新的半参数贝叶斯因子分析模型，以减少数据的维度到几个因素得分聚类。具体而言，因子得分被假定为遵循狄利克雷过程混合模型，以诱导聚类。通过广泛的模拟研究，我们表明，BCSub的常用聚类方法的性能有所提高。当应用于两个基因表达数据集时，我们的模型能够识别出比现有方法更具有临床相关性的亚型。
2016-09-26 stat.ME
Bayesian Functional Data Analysis over Dependent Regions and Its Application for Identification of Differentially Methylated Regions
我们认为贝叶斯函数的数据分析的观测测量为极长的序列。将序列分割成具有可管理长度的多个小窗口，窗口可能不是独立的，特别是当它们彼此相邻时。我们建议利用贝叶斯平滑样条来估计每个窗口内的各个功能模式，并建立每个窗口中所涉及的参数的过渡模型，以解决窗口之间的依赖结构。在分析过程中，基于马尔可夫链蒙特卡罗样本的贝叶斯因子可以评价个体群体在每个窗口的功能差异。在本文中，我们研究所提出的方法，通过模拟研究，并将其应用于确定差异甲基化的基因区域在TCGA肺腺癌数据。
2021-12-09 stat.ME
A Bayesian thinning algorithm for the point source identification of heat equation
本研究提出一种结合水平集表示与泊松点过程稀疏化机制的贝叶斯算法，用于从边界通量观测中恢复热方程的加权点源函数，解决了高度结构化未知量先验构建难题，数值实验验证了其重建准确性。
2025-09-04 cs.NA math.NA stat.CO
Bayesian Linear Programming under Learned Uncertainty: Posterior Feasibility Guarantees, Scenario Certification, and Applications
Visva-Bharati University（维斯瓦-巴拉蒂大学）；S. N. Bose National Centre for Basic Sciences（S.N. 玻色基础科学国家中心）
本文提出了一种贝叶斯线性规划框架，通过后验不确定性建模和鲁棒化策略，提升决策的安全性和可解释性，适用于不确定性下的优化问题。
2026-03-06 math.OC stat.OT
Dynamical System Identification, Model Selection and Model Uncertainty Quantification by Bayesian Inference
本研究提出了一种用于动力学系统辨识的贝叶斯MAP框架，等价于广义Tikhonov正则化，并证明其后验高斯范数为不同系统和噪声模型下的定量模型选择提供了稳健度量。
2024-07-22 nlin.CD stat.ME stat.ML
Bayesian Structural Identification using Gaussian Process Discrepancy Models
近年来，基于高斯过程（GP）模型的贝叶斯模型更新受到关注，它结合了基于核的GP来提供增强的保真度响应预测。虽然大多数核函数在训练数据集中提供了很高的拟合精度，但它们的样本外预测可能非常不准确。本文研究了这个问题，重新制定了一致的概率基础上的问题，审查核协方差函数的共同选择，并提出了一个新的贝叶斯模型选择的核函数选择，旨在创建一个拟合精度，泛化和模型简约之间的平衡。计算方面通过拉普拉斯近似和采样技术，提供详细的算法和策略。数值和实验的例子来证明所提出的框架的准确性和鲁棒性。因此，指数-三角协方差函数的特点和理由的基础上贝叶斯模型选择方法和响应差异的样本自相关函数的观察。
2022-11-01 stat.AP
Input design for Bayesian identification of non-linear state-space models
提出了一种随机非线性状态空间模型在线贝叶斯辨识的最优输入设计算法。所提出的方法依赖于最小化的后Cramér Rao下界导出的模型参数，相对于输入序列。为了使优化问题在计算上易于处理，将输入参数化为输入空间中的多维马尔可夫链。所提出的方法是通过一个仿真例子来说明。
2013-07-23 stat.AP stat.CO stat.ME
